invest-seg

name	invest-seg
description	在包含公司年报和参考资料（markdown）的当前目录中生成业务构成与成本结构比例研究报告（markdown 格式）。重点关注业务板块收入构成、地理区域划分、成本结构分析。当用户需要分析公司业务构成、收入来源分布或生成相关比例图表时使用。

业务构成与成本结构比例报告生成 Skill

工作流程

1. 准备阶段

首先确认当前目录包含：

• 公司最新年报（为了保证你的专注度，只使用最新一年的财报作为资料）
• 参考资料文件（markdown 格式）

使用 ls 命令检查文件列表。

2. 数据收集与验证

第一步：查找官方报告板块（必须首先完成）

在年报中搜索以下关键词查找官方报告板块：

• "Reportable Segments"
• "Operating Segments"
• "Business Segments"
• "Segment Information"
• 通常位于：MD&A章节 或 财务报表附注(Note)

验证要求：

□ 找到所有官方报告板块
□ 收入加起来 = 总收入（100%）
□ 如果不等于100%，查找原因（如：
  - 未分配收入/Other
  - 汇率调整
  - 消除分部间收入
）

常见公司类型的板块结构：

公司类型	典型板块数量	典型命名方式	验证要点
半导体/硬件	2-4个	按产品线或客户类型	注意细分市场≠官方板块
消费品	3-6个	按产品类别或品牌	通常完整拆分
互联网/软件	2-5个	按服务类型	注意"未分配收入"
工业/制造	3-5个	按业务线或地区	可能按地区拆分
金融	2-4个	按业务类型	注意分部间抵消

第二步：细分市场数据（严禁估算）

⚠️ 重要：只使用年报中明确披露的细分市场数据

禁止行为：

• ❌ 不要使用投资者关系材料、演示文稿、新闻稿中的数据
• ❌ 不要根据部分数据推算整体（如"约占X板块的91%"）
• ❌ 不要使用任何形式的估算、推断、猜测
• ❌ 不要引用行业报告、分析师报告中的细分数据

允许行为：

• ✅ 只使用年报中明确披露的细分市场数据
• ✅ 数据必须有具体的收入数字（不能只是百分比或描述）
• ✅ 数据来源必须明确标注为"年报第X章"或"Note X"

如果年报没有细分市场数据：

• 跳过细分市场分析
• 只分析官方报告板块
• 不要试图从其他来源"补充"数据

数据来源评估：详见 invest-report/references/common-guidelines.md（数据验证规范）。

使用 stockanalysis skill：

使用 stockanalysis skill 获取最近五年的财务数据进行交叉验证

3. 报告结构

生成包含以下章节的 Markdown 报告：

第 1 章：官方报告板块分析（必须放在最前面）

• 第一张表格必须列出官方报告板块
• 验证要求：所有官方报告板块收入加起来必须等于总收入（100%）
• 各板块收入、占比、同比增长
• 插入图表：业务板块收入饼图（使用官方报告板块数据）

第 2 章：地理区域分析

• 地理区域收入分布
• 发货目的地vs最终客户所在地的说明（如适用）
• 插入图表：地理区域收入饼图

第 3 章：成本结构分析

• 成本构成比例
• 成本变化趋势
• 插入图表：成本构成比例饼图

重要提醒：

1. 第一张业务板块表格必须使用官方报告板块，加起来=100%
2. 不要提供细分市场分析，除非年报中有明确披露
3. 严禁估算任何数据，只使用官方GAAP披露

4. 图表生成规则

图表生成规范： 详见 invest-report/references/common-guidelines.md（图表生成通用规范）。

强制要求：必须生成图表并插入到报告中

⚠️ 重要：在完成报告时，必须执行以下步骤来生成图表：

1. 创建图表生成脚本：在当前目录创建Python脚本，使用从年报中提取的实际数据
2. 执行脚本生成图表：使用Bash工具运行Python脚本
3. 验证图表文件：检查 generated_images/ 目录是否包含生成的图片
4. 在报告中引用图片：使用markdown语法 ![描述](generated_images/文件名.png) 引用图表

图表模板：

创建一个Python脚本（如 generate_seg_charts.py）来生成图表：

#!/usr/bin/env python3
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import os
os.makedirs('generated_images', exist_ok=True)

# 业务板块饼图
def create_business_segments_pie(segments, percentages, year):
    labels = [f'{s}\n{p}%' for s, p in zip(segments, percentages)]
    colors = ['#1E88E5', '#43A047', '#FB8C00', '#E53935', '#8E24AA']
    explode = [0.05 if p == max(percentages) else 0 for p in percentages]

    fig, ax = plt.subplots(figsize=(10, 8))
    ax.pie(percentages, explode=explode, labels=labels, colors=colors,
           autopct='%1.1f%%', startangle=90)
    ax.set_title(f'Business Segments Revenue ({year})', fontsize=14, fontweight='bold')
    plt.savefig('generated_images/business_segments.png', dpi=300, bbox_inches='tight')
    plt.close()
    print('Generated: business_segments.png')

# 地理区域饼图
def create_geographic_segments_pie(regions, percentages, year):
    labels = [f'{r}\n{p}%' for r, p in zip(regions, percentages)]
    colors = ['#1E88E5', '#43A047', '#FB8C00', '#E53935']
    explode = [0.05 if p == max(percentages) else 0 for p in percentages]

    fig, ax = plt.subplots(figsize=(10, 8))
    ax.pie(percentages, explode=explode, labels=labels, colors=colors,
           autopct='%1.1f%%', startangle=90)
    ax.set_title(f'Geographic Revenue ({year})', fontsize=14, fontweight='bold')
    plt.savefig('generated_images/geographic_segments.png', dpi=300, bbox_inches='tight')
    plt.close()
    print('Generated: geographic_segments.png')

# 成本结构饼图
def create_cost_structure_pie(categories, percentages, year):
    labels = [f'{c}\n{p}%' for c, p in zip(categories, percentages)]
    colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#FFA07A']

    fig, ax = plt.subplots(figsize=(10, 8))
    ax.pie(percentages, labels=labels, colors=colors,
           autopct='%1.1f%%', startangle=90)
    ax.set_title(f'Cost Structure ({year})', fontsize=14, fontweight='bold')
    plt.savefig('generated_images/cost_structure.png', dpi=300, bbox_inches='tight')
    plt.close()
    print('Generated: cost_structure.png')

# 调用函数生成图表（使用从年报中提取的实际数据）
if __name__ == '__main__':
    year = '2024'  # 从数据中提取

    # 业务板块 - 替换为实际数据
    segments = ['Accommodation', 'Transportation', 'Tourism', 'Corporate', 'Other']
    percentages = [44.4, 41.7, 8.0, 5.0, 0.9]
    create_business_segments_pie(segments, percentages, year)

    # 地理区域 - 替换为实际数据
    regions = ['China Domestic', 'International']
    percentages = [80.6, 19.4]
    create_geographic_segments_pie(regions, percentages, year)

    # 成本结构 - 替换为实际数据
    categories = ['COGS', 'S&M', 'R&D', 'G&A']
    percentages = [20.5, 24.5, 8.4, 6.6]
    create_cost_structure_pie(categories, percentages, year)

执行步骤：

1. 将上述脚本保存到当前目录（替换为从年报提取的实际数据）
2. 使用Bash工具执行：

   python generate_seg_charts.py
   

3. 验证图表已生成：

   ls generated_images/
   

4. 在报告中引用图片：

   ![业务板块收入构成](generated_images/business_segments.png)
   ![地理区域收入构成](generated_images/geographic_segments.png)
   ![成本构成](generated_images/cost_structure.png)
   

图片文件名规范：

• business_segments.png - 业务板块饼图
• geographic_segments.png - 地理区域饼图
• cost_structure.png - 成本结构饼图

不要使用 _pie 后缀，直接使用上述文件名。

验证清单：

□ Python脚本已创建并执行
□ generated_images/目录已创建
□ 所有3张图表已生成
□ 报告中已正确引用所有图片

5. 代码执行

运行 Python 脚本生成图表：

python3 << 'EOF'
import sys
sys.path.insert(0, '/Users/guyanhua/.claude/skills/invest-seg/scripts')
from generate_charts import *

# 在此处调用图表生成函数
# 示例：
# create_business_segments_pie(['Segment A', 'Segment B'], [60, 40], '2024')
EOF

6. 注意事项

• 年份必须从实际数据中提取，不要硬编码
• 地理区域划分需明确（如印度、中东归属）
• 时间基准：昨日日期
• 数据矛盾必须在报告中注明

语言和图表规范： 详见 invest-report/references/common-guidelines.md

6.1 业务板块分析重要注意事项 ⚠️⚠️⚠️

核心原则：只使用官方GAAP披露的数据

1. 必须查找官方报告板块：

   • 在年报中搜索："Reportable Segments"、"Operating Segments"、"Business Segments"或"Segment Information"
   • 这些通常位于MD&A章节或财务报表附注(Note)
   • 验证要求：所有官方报告板块的收入加起来必须等于总收入（100%）

2. 严禁估算数据：

   • ❌ 不要使用投资者关系材料、演示文稿中的数据
   • ❌ 不要根据部分数据推算整体（如"约占X板块的91%"）
   • ❌ 不要引用行业报告、分析师报告中的细分数据
   • ❌ 不要提供任何形式的估算、推断、猜测

3. 如果年报没有细分市场数据：

   • ✅ 只分析官方报告板块
   • ✅ 跳过细分市场分析
   • ❌ 不要试图从其他来源"补充"数据

4. 数据验证检查清单：

   □ 官方报告板块收入总和 = 总收入（100%）
   □ 所有数据来源明确标注（如"年报第X章"或"Note X"）
   □ 没有任何估算、推断或猜测的数据
   

6.2 地理区域分析重要注意事项 ⚠️

发货目的地 vs 最终客户所在地：

许多公司（特别是硬件、半导体、科技制造公司）的地理收入数据可能基于发货目的地而非最终客户所在地。这会导致数据失真：

情况	问题示例
OEM/ODM制造中心	产品发货到台湾/富士康/广达组装，但最终客户是美国云服务商
区域分销中心	产品发货到新加坡/香港分销中心，但最终客户是东南亚各国
离岸贸易	产品发货到自由贸易区，但最终客户是其他国家

正确分析原则：

1. 识别数据口径：年报通常会说明地理收入是基于"shipped to"还是"sold to"

2. 追索最终客户：对于制造公司，需分析最终客户的实际所在地

3. 典型模式判断：

   • 美国公司：美国市场通常最大（本土云服务商、互联网公司）
   • 全球品牌：发达市场（美、欧、日）通常占主导
   • 出口导向：如果台湾/香港占比异常高，可能是发货地而非客户地

4. 修正说明：如果数据基于发货地，必须在报告中添加说明：

   **重要说明**：本地理收入数据基于发货目的地统计。
   实际上，发往台湾OEM/ODM厂商的产品最终销往美国和中国的客户。
   按最终客户所在地计算，美国/中国应该是最大的市场。
   

5. 典型客户分析：结合公司业务特点判断合理分布：

   • 云服务商（AWS、Azure、GCP）→ 美国
   • 互联网巨头（Meta、Google、Microsoft）→ 美国
   • 消费电子 → 发达市场 + 中国
   • OEM/ODM → 可能是发货地，非最终客户地

7. 输出文件

报告保存为：[公司名称]_业务构成与成本结构报告.md